[发明专利]基于DA优化的汽油精炼过程中辛烷值损失预测方法与系统

权利要求书

1.一种基于DA优化的汽油精炼过程中辛烷值损失预测方法，其特征在于，包括以下步骤：

步骤1、获取汽油精炼样本数据；

步骤2、对样本数据进行预处理，通过数据清洗，去除异常数据和无效数据；

步骤3、基于皮尔森相关系数和最大信息系数构建识别差异表达操作变量的方法，获取样本数据中各变量之间的关联关系，筛选出N个变量作为操作变量；所述操作变量包括五个维度的基本属性作为操作变量，分别为原料性质、待生吸附剂性质、再生吸附剂性质、精炼工艺参数性质以及精炼汽油性质；

步骤4、将获得操作变量样本数据进行分类，分为训练集和测试集；

步骤5、以精炼汽油辛烷值和含硫量为约束条件，在训练集的基础上，基于DA优化的BP神经网络进行模型训练学习，获得第一辛烷值预测模型；

步骤6、在测试集的基础上，对获得的第一辛烷值预测模型进行测试，在满足预设的预测精度基础上最终输出模型作为辛烷值的预测模型，否则返回步骤5通过BP超参数调节进行模型优化，直到满足预设的预测精度；

步骤7、以最终输出的辛烷值的预测模型对实时获得的汽油精炼数据进行辛烷值预测输出。

2.根据权利要求1所述的基于DA优化的汽油精炼过程中辛烷值损失预测方法，其特征在于，在所述步骤2中，采用最大最小的限幅法剔除不具有参考意义的数据，再根据拉依达准则去除异常值。

3.根据权利要求1所述的基于DA优化的汽油精炼过程中辛烷值损失预测方法，其特征在于，在所述步骤3中，筛选出变量作为操作变量的具体操作包括：

计算各输入的变量之间的皮尔森相关系数，将彼此间皮尔森相关系数超过设定阈值的特征划归为相同类；

计算每个类内的各输入的变量与输出的最大互信息数并取均值，作为该类与输出结果间的相关程度度量，选择与结果相关程度最高的指定数目的类；

从被选择的多个类中，选择与结果间最大互信息数最高的一个特征保留，将所有被保留的特征作为预测模型的输入，即作为操作变量。

4.根据权利要求3所述的基于DA优化的汽油精炼过程中辛烷值损失预测方法，其特征在于，在所述步骤3中还包括：检查被选中特征的分布，若存在显著的离群点，则删除对应的样本。

5.根据权利要求1所述的基于DA优化的汽油精炼过程中辛烷值损失预测方法，其特征在于，在所述步骤5中，以满足精炼前后汽油辛烷值损失控制在30％以内且硫含量小于等于5μg/g为约束条件，建立第一辛烷值预测模型。

6.根据权利要求3所述的基于DA优化的汽油精炼过程中辛烷值损失预测方法，其特征在于，在步骤5中，建立第一辛烷值预测模型的具体操作包括以下过程：

1)结合经验公式获得神经网络的隐含层节点数量n₁的范围，其中n为输入神经元数量，即输入特征数量，m为输出神经元数量，即预测值数量，k为训练集的样本数量；

2)基于最小估测值和最大估测值关系确定隐含层节点数量n₁的范围；

3)将神经网络超参数映射为整型向量，神经网络的超参数包括：隐层节点个数hidenum、层间传递函数TF1类型、层间传递函数TF2类型、反向传播训练函数BTF类型、性能评估函数BP类型；

4)将神经网络超参数的整型向量作为蜻蜓算法的解向量，使蜻蜓算法仅搜索整数解，将初始化以及迭代结束新产生的解向量取整，保证搜索空间为整数空间；

5)将蜻蜓算法的解向量作为评价函数的输入，将解向量逆映射为神经网络的超参数并据此创建神经网络；利用训练集的样本进行神经网络训练后，使用测试集决定系数的相反数作为评价指标返回值；将训练好的网络结构也作为返回值；

6)若模型预测性能满足预设的预测精度，则停止训练，输出模型作为最终输出的辛烷值的预测模型；否则，则检查输入特征及输出结果的分布，删除最明显的离群值对应样本后，重新训练模型，直到满足预设的预测精度。